偏标记学习作为一种弱监督机器学习框架,其目标是从每个训练示例对应一组候选标记集合的数据中学习一个多分类模型,其中候选标记集合中只有一个是真实标记且不能在训练阶段直接获取。从带有模糊标记信息的偏标记数据中学习的关键就是消除候选标记集合的歧义。现有的偏标记学习算法在计算示例相似度时,往往只针对特征空间,很少考虑利用候选标记空间的信息来辅助构造示例之间的相似关系。并且在消歧过程中,很少考虑候选标记不同置信度水平和特征空间中潜在的结构信息对标记消歧的促进作用,这些都将导致信息利用不充分且模型泛化性能不佳。因此,本文从以下两个方面来研究:（1）为充分利用训练示例的特征空间和标记空间信息,本文提出了一种基于候选标记感知和标记传播的偏标记学习算法。首先,该算法为了更加全面的刻画示例间的关系,在构建训练示例的相似矩阵时,考虑了包含相同候选标记的训练样本之间应该具有更高的相似性这一假设。然后,通过迭代标记传播策略获得消歧后的归一化标记置信度。最后,利用多输出支持向量回归来归纳分类模型。同时,在模型生成过程中,该算法充分考虑了每个示例的偏标记损失,以提高模型的预测精度。（2）为充分利用示例特征空间潜在的信息和不同候选标记的置信度水平对标记消歧的促进作用,本文提出了一种基于稀疏流形消歧的偏标记学习算法,该算法利用特征空间的结构信息促进标记的消歧过程。首先,通过对训练样本进行稀疏重构来刻画特征空间的底层结构,并基于流形假设将底层结构信息融入到标记消歧过程中。然后,将不同的候选标记置信度形式化为隐藏的标记分布,并提出了一个能够同时实现标记消歧和预测模型训练的方法。最后,标记置信度矩阵和分类模型通过交替迭代的方式优化。本文在5个人工合成的UCI数据集和6个真实数据集上进行了大量实验,清楚地验证了提出的两个算法比多个现有的偏标记学习算法取得了更好的分类性能。